铁塔相关成果以Achievinginsitu DynamicFluorescenceinthe SolidStateThroughSynergizingCavitiesofMacrocycleandChannelsofFramework为题发表在ACSMaterialsLetters上。

首先，潮已构建深度神经网络模型（图3-11），潮已识别在STEM数据中出现的破坏晶格周期性的缺陷，利用模型的泛化能力在其余的实验中找到各种类型的原子缺陷。利用k-均值聚类算法，过体根据凹陷中心与红线的距离，对磁滞回线的转变过程进行分类。

此外，制内Butler等人在综述[1]中提到，量子计算在检测和纠正数据时可能会产生错误，那么量子机器学习便开拓了机器学习在解决量子问题上的应用领域。2机器学习简介所谓的机器学习就是赋予计算机人类的获得知识或技能的能力，营商然后利用这些知识和技能解决我们所需要解决的问题的过程。有很多小伙伴已经加入了我们，人该何但是还满足不了我们的需求，期待更多的优秀作者加入，有意向的可直接微信联系cailiaorenVIP。

基于此，闪光本文对机器学习进行简单的介绍，闪光并对机器学习在材料领域的应用的研究进展进行详尽的论述，根据前人的观点，总结机器学习在材料设计领域的新的发展趋势，以期待更多的研究者在这个方向加以更多的关注。图3-11识别破坏晶格周期性的缺陷的深度卷积神经网络图3-12由深度卷积神经网络确定的无监督的缺陷分类图3-13不同缺陷态之间转移概率的分析4机器学习在材料领域的研究展望与其他领域，铁塔如金融、铁塔互联网用户分析、天气预测等相比，材料科学利用机器学习算法进行预测的缺点就是材料中的数据量相对较少。

发现极性无机材料有更大的带隙能（图3-3），潮已所预测的热机械性能与实验和计算的数据基本吻合（图3-4）。

我在材料人等你哟，过体期待您的加入。此外，制内研究人员展示了在金属箔上分层石墨烯合成的批量生产方法，证明了其技术可扩展性。

1995年获中国驻日大使馆教育处优秀留学人员称号，营商同年获国家杰出青年科学基金资助。现任北京石墨烯研究院院长、人该何北京大学纳米科学与技术研究中心主任。

闪光2013年获中国分析测试协会科学技术奖（CAIA）一等奖（第二获奖人）。铁塔同年获得化学领域和材料领域汤森路透高被引科学家奖以及最具国际引文影响力奖。